HTML文本提取后保存为TXT的方法

轻敏姑娘_5775

轻敏姑娘_5775

2026-11-20

727人浏览

原创

最可靠的是用 html2text 工具而非 BeautifulSoup 的 get_text(),因后者默认抹平段落、吞空格、忽略列表结构;html2text 默认保留标题层级、列表符号、空行和分隔线,且编码处理更稳健。

html文本提取后保存为txt的方法

直接用 BeautifulSoup 的 get_text() 方法提取最可靠,但默认会抹平段落换行、吞掉空格、忽略列表结构——这不是 bug,是设计行为。真正要保留可读性,得手动控制分隔逻辑。

为什么 get_text() 保存的 TXT 看起来像“一坨”?

因为 get_text() 默认把所有文本节点连成一行,中间只用单个空格连接。它不区分

、

或
  • ,也不保留原始缩进和空行。

    • 想让段落之间有空行:传参 separator="\n\n"
    • 想让列表项带短横或数字前缀:不能靠 get_text() 自动处理,得先遍历
        /
          节点,再拼接
        1. 想保留链接文字但去掉 URL:需额外调用 find_all("a") 替换为纯文本,否则 get_text() 会直接丢掉 href 但留下锚文本(这反而是对的)

        用 html2text 命令行工具批量转 TXT 更省心

        它专为“人眼可读的纯文本”设计,比写 Python 脚本快,且默认行为更合理:保留标题层级、把列表转成带符号的段落、自动折叠多余空白、识别


        插入分隔线。

        AgentGen — HTML to PDF & Image
        AgentGen — HTML to PDF & Image

        将 HTML 转换为 PDF 和图片。无需注册,免费版开箱即用(每分钟 1 次请求,含水印)。如需更高频次及去水印……

        下载
        • 安装:pip install html2text
        • 单文件转换:html2text input.html > output.txt
        • 批量处理(Windows PowerShell):Get-ChildItem *.html | ForEach-Object { html2text $_.FullName | Out-File "$($_.BaseName).txt" -Encoding UTF8 }
        • 关键参数:-b 2 表示保留最多 2 级标题缩进,--ignore-links 可去掉所有链接文字(慎用,可能误删关键信息)

        Python 脚本中避免编码乱码的硬性操作

        HTML 文件常见编码是 UTF-8 或 GBK,但 open() 默认用系统编码读取,Windows 上极易报 UnicodeDecodeError。不能依赖“试试看”。

        • 先用 chardet 检测编码:chardet.detect(open("file.html", "rb").read())["encoding"]
        • 读取时强制指定编码:with open("file.html", "r", encoding="utf-8", errors="ignore") as f:
        • 写入 TXT 时必须声明 encoding="utf-8",否则记事本打开大概率乱码
        • 如果 HTML 中有 锛屼紭鍏堟寜璇ュ0鏄庤В鐮侊紝鍒

        前端入门到VUE实战笔记:立即使用
        在学习笔记中,你将探索 前端 的入门与实战技巧!

      • 相关文章

        HTML速学教程(入门课程)
        HTML速学教程(入门课程)

        HTML怎么学习?HTML怎么入门?HTML在哪学?HTML怎么学才快?不用担心,这里为大家提供了HTML速学教程(入门课程),有需要的小伙伴保存下载就能学习啦!

        下载

        相关标签:

        html提取文本 html

        本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

        相关专题

        更多
        html版权符号
        html版权符号

        html版权符号是“©”,可以在html源文件中直接输入或者从word中复制粘贴过来,php中文网还为大家带来html的相关下载资源、相关课程以及相关文章等内容,供大家免费下载使用。

        2023.06.14

        7855

        7

        html在线编辑器
        html在线编辑器

        html在线编辑器是用于在线编辑的工具,编辑的内容是基于HTML的文档。它经常被应用于留言板留言、论坛发贴、Blog编写日志或等需要用户输入普通HTML的地方,是Web应用的常用模块之一。php中文网为大家带来了html在线编辑器的相关教程、以及相关文章等内容,供大家免费下载使用。

        2023.06.21

        4312

        4

        html网页制作
        html网页制作

        html网页制作是指使用超文本标记语言来设计和创建网页的过程,html是一种标记语言,它使用标记来描述文档结构和语义,并定义了网页中的各种元素和内容的呈现方式。本专题为大家提供html网页制作的相关的文章、下载、课程内容,供大家免费下载体验。

        2023.07.31

        3950

        5

        html空格
        html空格

        html空格是一种用于在网页中添加间隔和对齐文本的特殊字符,被用于在网页中插入额外的空间,以改变元素之间的排列和对齐方式。本专题为大家提供html空格的相关的文章、下载、课程内容,供大家免费下载体验。

        2023.08.01

        3979

        5

        html是什么
        html是什么

        HTML是一种标准标记语言,用于创建和呈现网页的结构和内容,是互联网发展的基石,为网页开发提供了丰富的功能和灵活性。本专题为大家提供html相关的各种文章、以及下载和课程。

        2023.08.11

        5379

        6

        html字体大小怎么设置
        html字体大小怎么设置

        在网页设计中,字体大小的选择是至关重要的。合理的字体大小不仅可以提升网页的可读性,还能够影响用户对网页整体布局的感知。php中文网将介绍一些常用的方法和技巧,帮助您在HTML中设置合适的字体大小。

        2023.08.11

        3921

        3

        html转txt
        html转txt

        html转txt的方法有使用文本编辑器、使用在线转换工具和使用Python编程。本专题为大家提供html转txt相关的文章、下载、课程内容,供大家免费下载体验。

        2023.08.31

        3729

        3

        html文本框代码怎么写
        html文本框代码怎么写

        html文本框代码:1、单行文本框【<input type="text" style="height:..;width:..;" />】;2、多行文本框【textarea style=";height:;"></textare】。

        2023.09.01

        3188

        6

        HTML嵌入CSS样式的方法
        HTML嵌入CSS样式的方法

        HTML嵌入CSS样式的方法有内联样式、内部样式表和外部样式表。本专题为大家提供CSS样式相关的文章、下载、课程内容,供大家免费下载体验。

        2023.09.20

        3388

        5

        热门下载

        更多
        网站特效
        /
        网站源码
        /
        网站素材
        /
        前端模板

        精品课程

        更多
        相关推荐
        /
        热门推荐
        /
        最新课程
        GDB 17.2 官方文档集合
        GDB 17.2 官方文档集合

        共0课时 | 0人学习

        Bootstrap 入门安装配置
        Bootstrap 入门安装配置

        共0课时 | 0人学习

        38+ PhpStorm 提示和技巧
        38+ PhpStorm 提示和技巧

        共1课时 | 244人学习